배경 및 효율 불확실성을 고려한 포아송 과정 한계와 최적 절단

초록

TRolke 2.0은 포아송 신호에 대한 빈도주의 신뢰구간을 프로파일 가능도법으로 계산하는 C++ 클래스이다. 배경과 신호 효율에 대한 베르누이, 가우시안, 포아송 등 7가지 불확실성 조합을 구현하고, 상·하한, 민감도, 가설 검정 등을 제공한다. ROOT와 Python 인터페이스를 통해 손쉽게 적용할 수 있다.

상세 분석

본 논문은 희귀 사건 탐지를 위한 통계적 도구인 TRolke 2.0의 설계와 구현을 상세히 기술한다. 핵심은 프로파일 가능도(profile likelihood) 접근법을 이용해 신호 효율(ε)과 배경 기대치(b)의 불확실성을 동시에 고려하면서도 빈도주의(confidence level) 신뢰구간을 정확히 산출한다는 점이다. 이를 위해 저자는 베르누이(Binomial), 가우시안(Gaussian), 포아송(Poisson) 분포를 조합한 7가지 경우를 정의한다. 예를 들어, 배경이 포아송 분포를 따르고 효율이 베르누이로 측정된 경우, 가능도 함수는 L(μ, b, ε)=Pois(n|με+b)·Bin(k|N,ε)·Pois(m|b) 형태가 되며, μ는 신호 강도 파라미터이다. 프로파일링 과정에서 b와 ε를 각각 최대가능도 추정값으로 대체함으로써 μ에 대한 제한을 얻는다. 논문은 이 절차가 Wilks 정리와 asymptotic χ² 근사를 만족함을 수치 실험으로 검증한다. 또한, 상한(upper limit)과 하한(lower limit) 계산뿐 아니라 기대 민감도(sensitivity)와 검정력(power)을 구하는 공식도 제공한다. 특히, 절단(cut) 최적화에서는 신호 효율과 배경 억제 사이의 트레이드오프를 정량화하여, 기대 제한이 최소가 되는 절단값을 자동으로 탐색한다. 구현 측면에서 TRolke 2.0은 ROOT 기반 클래스(TObject)로 설계되어, C++ 코드와 Python 바인딩(PyROOT) 모두에서 동일한 API를 제공한다. 사용자는 입력값(관측 이벤트 수 n, 배경 측정 m, 효율 측정 k 등)과 해당 불확실성 모델을 지정하면, GetLimits(), GetSensitivity(), GetHypothesisTest() 등 직관적인 메서드 호출만으로 결과를 얻을 수 있다. 마지막으로, 저자는 실제 고에너지 물리 실험(예: LHCb, Belle II)에서의 적용 사례를 제시하며, 기존 Rolke‑López 방법과 비교해 불확실성 처리에서의 우수성을 입증한다.